一种基于制造技术

本发明专利技术提出了一种基于

【技术实现步骤摘要】
一种基于DBN
‑
ELM的流型辨识方法及装置


[0001]本专利技术涉及电容层析成像流型辨识
，尤其涉及一种基于
DBN
‑
ELM
的流型辨识方法及装置
。

技术介绍

[0002]现有的电容层析成像流型辨识算法存在以下缺点：
(1)
传统神经网络对于数据的抽象能力不足导致分类精度低：电容层析数据中信息量较大，同时各种流型的数据较为相似，传统神经网络模型通常采用单隐层结构，表达能力有限，特征的选择依赖人工，模型训练受限于人工标签的数据，另外，单隐层结构对于数据的特征抽象能力不足，导致后续识别正确率降低
。
面对具有实时性系统的海量数据，其检测识别正确率
、
稳定性以及可靠性都无法得到保证
。(2)
深度学习未实现全自动化参数调优：深度学习依赖专家经验手动调整网络参数，例如学习率和批量大小
。
研究表明，增加学习率有助于提高模型的泛化能力但容易导致不收敛，增加
batch size
有助于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DBN
‑
ELM
的流型辨识方法，其特征在于，包括：获取电容数据；将所述电容数据进行降维处理，用于对所述电容数据进行特征重构；基于当前电容数据，配置
DBN
‑
ELM
网络模型，其中，所述
DBN
‑
ELM
网络模型是基于
SSA
算法进行进一步配置的；利用所述网络模型，对进一步获取的电容数据进行流型辨识
。2.
根据权利要求1所述的基于
DBN
‑
ELM
的流型辨识方法，其特征在于，将所述电容数据进行降维处理，用于对所述电容数据进行特征重构，包括：基于主成分分析法，对所述电容数据进行降维处理
。3.
根据权利要求2所述的基于
DBN
‑
ELM
的流型辨识方法，其特征在于，所述基于主成分分析法，对所述电容数据进行降维处理，包括：获取包含流型信息的电容数据；对所述电容数据做标准化处理；确定当前所述电容数据的相关系数矩阵以及特征向量
、
特征值；将所述特征值按照大小顺序依次排列，选择排列最大的至少之一作为主成分；将获取的原始电容数据基于新的主成分进行特征重构
。4.
根据权利要求1所述的基于
DBN
‑
ELM
的流型辨识方法，其特征在于，基于当前电容数据，配置
DBN
‑
ELM
网络模型，其中，所述
DBN
‑
ELM
网络模型是基于
SSA
算法进行进一步配置的，包括：确定
DBN
模型的隐含层数量，将隐含层中的最后一层作为
ELM
模型的输入层；对
DBN
模型部分进行无监督训练；确定
ELM
模型的输出层的权重和偏置；基于
SSA
算法对
DBN
‑
ELM
网络模型进行进一步配置
。5.
根据权利要求4所述的基于
DBN
‑
ELM
的流型辨识方法，其特征在于，所述基于
SSA
算法对
DBN
‑
ELM
网络模型进行进一步配置，包括：利用
SSA
算法进一步配置
DBN
网络每层神经元个数，确定每层网络的最优神经元个数；利用
SSA
算法进一步配置

【专利技术属性】
技术研发人员：申昱瞳，武建，潘积远，苏瑶，谢福超，严永锋，杜利刚，
申请(专利权)人：中国电子科技集团公司第二十研究所，
类型：发明
国别省市：